ನ್ಯೂಜೆರ್ಸಿಯ ಮಾಂಟ್ವೇಲ್‌ನ 17 ವರ್ಷದ ಹೈಸ್ಕೂಲ್ ವಿದ್ಯಾರ್ಥಿಯೊಬ್ಬರು, ಪರಮಾಣು ರಿಯಾಕ್ಟರ್‌ಗಳ ನಿರ್ಣಾಯಕ ಉष्मा ಹರಿವು (critical heat flux) ಮುನ್ಸೂಚನೆಯಲ್ಲಿನ ದೋಷದ ಪ್ರಮಾಣವನ್ನು 63% ರಿಂದ 5.5% ಕ್ಕೆ ಇಳಿಸಲು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು (AI) ಬಳಸಿದ್ದಾರೆ. ಈ ಸಾಧನೆಗೆ ಅವರಿಗೆ $50,000 ಬಹುಮಾನ ಲಭಿಸಿದೆ ಮತ್ತು ಇದು ಮುಂದಿನ ಪೀಳಿಗೆಯ ಪರಮಾಣು ಸ್ಥಾವರಗಳಲ್ಲಿ ಸುರಕ್ಷತಾ ಮಾರ್ಜಿನ್‌ಗಳನ್ನು ಬಲಪಡಿಸಬಹುದು.

ನಿರ್ಣಾಯಕ ಉष्मा ಹರಿವು ಏಕೆ ಮುಖ್ಯವಾಗುತ್ತದೆ

ನಿರ್ಣಾಯಕ ಉष्मा ಹರಿವು (Critical heat flux - CHF) ಎಂಬುದು ರಿಯಾಕ್ಟರ್‌ನ ಇಂಧನ ರಾಡ್‌ಗಳ ಮೇಲಿನ ಕುದಿಯುವಿಕೆ ಅಸ್ಥಿರವಾಗುವ ಬಿಂದುವನ್ನು ಸೂಚಿಸುತ್ತದೆ, ಇದು ಕೋರ್ (core) ಅನ್ನು ಹಾನಿಗೊಳಿಸಬಲ್ಲ ತೀವ್ರವಾದ ತಾಪಮಾನ ಏರಿಕೆಯ ಅಪಾಯವನ್ನು ಉಂಟುಮಾಡುತ್ತದೆ. ರಿಯಾಕ್ಟರ್‌ಗಳನ್ನು ಸುರಕ್ಷಿತವಾಗಿ ನಡೆಸುತ್ತಲೇ ಗರಿಷ್ಠ ಪ್ರಮಾಣದ ಶಕ್ತಿಯನ್ನು ಹೊರತೆಗೆಯಲು ಎಂಜಿನಿಯರ್‌ಗಳು CHF ಅನ್ನು ನಿಖರವಾಗಿ ಮುನ್ಸೂಚಿಸಬೇಕಾಗುತ್ತದೆ. ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳು ಅನುಭವಜನ್ಯ ಸಂಬಂಧಗಳ (empirical correlations) ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿವೆ, ಇವುಗಳಲ್ಲಿ ಹೆಚ್ಚಾಗಿ ದೊಡ್ಡ ಮಟ್ಟದ ಅನಿಶ್ಚಿತತೆ ಇರುತ್ತದೆ; 63% ದೋಷದ ಪ್ರಮಾಣವು ಆಪರೇಟರ್‌ಗಳು ಅತ್ಯಂತ ಎಚ್ಚರಿಕೆಯೊಂದಿಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುವಂತೆ ಮಾಡುತ್ತದೆ—ಇದರಿಂದ ಸಂಭಾವ್ಯ ಶಕ್ತಿಯ ವ್ಯರ್ಥವಾಗುತ್ತದೆ—ಅಥವಾ ಅಸುರಕ್ಷಿತ ಮಿತಿಗಳಿಗೆ ಹತ್ತಿರವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುವಂತೆ ಮಾಡುತ್ತದೆ.

ಭೌತಶಾಸ್ತ್ರ-ಮಾರ್ಗದರ್ಶಿತ ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್

ಕೇವಲ ಸಾಮಾನ್ಯ AI ಮಾದರಿಗೆ ಕಚ್ಚಾ ಡೇಟಾವನ್ನು ನೀಡುವ ಬದಲು, ಆ ಹದಿಹರೆಯದ ಹುಡುಗ ಭೌತಶಾಸ್ತ್ರ-ಮಾಹಿತಿಯುಳ್ಳ (physics-informed) ಮಷೀನ್ ಲರ್ನಿಂಗ್ ವ್ಯವಸ್ಥೆಯನ್ನು ನಿರ್ಮಿಸಿದನು. ಈ ನೆಟ್‌ವರ್ಕ್ ಪ್ರಾಯೋಗಿಕ ಅಳತೆಗಳಿಂದ ಕಲಿಯುತ್ತದೆ, ಆದರೆ ಪ್ರತಿ ಹಂತದಲ್ಲೂ ಉಷ್ಣಗತಿಶಾಸ್ತ್ರ (thermodynamics) ಮತ್ತು ದ್ರವ ಗತಿಶಾಸ್ತ್ರದ (fluid dynamics) ನಿಯಂತ್ರಕ ಸಮೀಕರಣಗಳಿಂದ ನಿರ್ಬಂಧಿಸಲ್ಪಟ್ಟಿರುತ್ತದೆ. ಮಾದರಿಯು ಆ ನಿಯಮಗಳನ್ನು ಪಾಲಿಸುವಂತೆ ಮಾಡುವುದರಿಂದ, ಇದು ಅನೇಕ AI ಪರಿಕರಗಳನ್ನು ಹೆಚ್ಚಿನ ಅಪಾಯದ ಎಂಜಿನಿಯರಿಂಗ್‌ಗೆ ಅಸಮರ್ಪಕವಾಗಿಸುವ "ಬ್ಲಾಕ್-ಬಾಕ್ಸ್" (black-box) ಲೋಪಗಳನ್ನು ತಪ್ಪಿಸುತ್ತದೆ. ಇದರ ಫಲಿತಾಂಶ: ಮುನ್ಸೂಚನಾ ದೋಷವು 5.5% ಕ್ಕೆ ಇಳಿಯುತ್ತದೆ, ಈ ನಿಖರತೆಯು ಸುರಕ್ಷತೆಯನ್ನು ರಾಜಿ ಮಾಡಿಕೊಳ್ಳದೆ ರಿಯಾಕ್ಟರ್‌ಗಳು ಅತ್ಯುತ್ತಮ ಕಾರ್ಯಕ್ಷಮತೆಗೆ ಹತ್ತಿರವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಲು ಅನುವು ಮಾಡಿಕೊಡಬಹುದು.

ಪರಮಾಣು ಉದ್ಯಮದ ಮೇಲಿನ ಪರಿಣಾಮಗಳು

  • ಸುರಕ್ಷಿತ ಕಾರ್ಯಾಚರಣೆ – ನಿಖರವಾದ CHF ಮುನ್ಸೂಚನೆಗಳು ಕುದಿಯುವಿಕೆಯಿಂದ ಉಂಟಾಗುವ ಅತಿಯಾದ ಶಾಖದ ಅಪಾಯವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತವೆ, ಇದು ತೀವ್ರ ಅಪಘಾತಗಳಿಗೆ ಪ್ರಮುಖ ಮುನ್ಸೂಚನೆಯಾಗಿದೆ.
  • ಹೆಚ್ಚಿನ ದಕ್ಷತೆ – ಸುರಕ್ಷತಾ ಮಿತಿಗಳನ್ನು ತಲುಪುವ ಮೊದಲು ಆಪರೇಟರ್‌ಗಳು ಹೆಚ್ಚಿನ ಶಾಖವನ್ನು ಹೊರತೆಗೆಯಬಹುದು, ಇದು ಸ್ಥಾವರದ ಸಾಮರ್ಥ್ಯದ ಅಂಶವನ್ನು (capacity factor) ಹೆಚ್ಚಿಸುತ್ತದೆ.
  • SMRಗಳ ವೇಗದ triểnpification – ನಮ್ಯತೆ ಮತ್ತು ಕಡಿಮೆ ಆರಂಭಿಕ ವೆಚ್ಚಕ್ಕಾಗಿ ಪ್ರಶಂಸಿಸಲ್ಪಟ್ಟಿರುವ ಸಣ್ಣ ಮಾಡ್ಯುಲರ್ ರಿಯಾಕ್ಟರ್‌ಗಳು (Small Modular Reactors - SMRs), ಸುಧಾರಿತ ಉಷ್ಣ ನಿರ್ವಹಣೆಯನ್ನು ಅವಲಂಬಿಸಿವೆ. ವಿಶ್ವಾಸಾರ್ಹ AI ಮಾದರಿಯು ಪ್ರಮುಖ ನಿಯಂತ್ರಕ ಅಡೆತಡೆಗಳಲ್ಲಿ ಒಂದನ್ನು ನಿವಾರಿಸಬಹುದು.

ಈ ಪ್ರಯೋಜನಗಳು ಕಡಿಮೆ ಇಂಗಾಲದ ಇಂಧನ ಮೂಲಗಳನ್ನು ವಿಸ್ತರಿಸುವ ಜಾಗತಿಕ ಪ್ರಯತ್ನದೊಂದಿಗೆ ಹೊಂದಿಕೆಯಾಗುತ್ತವೆ. ಸರ್ಕಾರಗಳು ಹೊಸ ಪರಮಾಣು ನಿರ್ಮಾಣಗಳಿಗಾಗಿ ಶತಕೋಟಿಗಳನ್ನು ಮೀಸಲಿಡುತ್ತಿರುವಾಗ, ಸುರಕ್ಷತೆ ಮತ್ತು ದಕ್ಷತೆ ಎರಡನ್ನೂ ಭರವಸೆ ನೀಡುವ ಸಾಧನವು ಉದ್ಯಮದ ಆಸಕ್ತಿಯನ್ನು ಸೆಳೆಯುವ ಸಾಧ್ಯತೆಯಿದೆ.

ಸಂಶಯ ಮತ್ತು ಪ್ರಾಯೋಗಿಕ ಅಡೆತಡೆಗಳು

ದೋಷದ ಪ್ರಮಾಣದಲ್ಲಿ ಭಾರಿ ಇಳಿಕೆಯಾಗಿದ್ದರೂ ಸಹ, ವಾಣಿಜ್ಯ ರಿಯಾಕ್ಟರ್ ಅನ್ನು ಇದನ್ನು ನಂಬುವ ಮೊದಲು ಈ ಮಾದರಿಯು ಕಟ್ಟುನಿಟ್ಟಿನ ಮೌಲ್ಯೀಕರಣವನ್ನು (validation) ಎದುರಿಸಬೇಕಾಗುತ್ತದೆ. ಪರಮಾಣು ನಿಯಂತ್ರಕರು ಸಾಮಾನ್ಯವಾಗಿ ಯಾವುದೇ ಸುರಕ್ಷತಾ-ನಿರ್ಣಾಯಕ ಸಾಫ್ಟ್‌ವೇರ್‌ನಿಂದ ದಶಕಗಳ ಕಾಲ ಸಾಬೀತಾದ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಬಯಸುತ್ತಾರೆ, ಮತ್ತು ಭೌತಶಾಸ್ತ್ರ-ಅರಿವಿರುವ AI ಇನ್ನೂ ತನ್ನ ತರಬೇತಿ ಡೇಟಾದ ಗುಣಮಟ್ಟದ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿದೆ. ಪರೀಕ್ಷೆಗಳಲ್ಲಿ ಎಷ್ಟೇ ನಿಖರವಾಗಿದ್ದರೂ ಸಹ, ಒಂದು ಮಾದರಿಯ ಮೇಲೆ ಅತಿಯಾದ ಅವಲಂಬನೆಯು, ತೀವ್ರ ಪರಿಸ್ಥಿತಿಗಳಲ್ಲಿ ಮೂಲಭೂತ ಭೌತಶಾಸ್ತ್ರವು ಬದಲಾದರೆ ಅನಿರೀಕ್ಷಿತ ವೈಫಲ್ಯದ ವಿಧಾನಗಳನ್ನು ಮರೆಮಾಚಬಹುದು ಎಂದು ವಿಮರ್ಶಕರು ಎಚ್ಚರಿಸುತ್ತಾರೆ.

ಇದು ಭಾರತಕ್ಕೆ ಏನನ್ನು ಸೂಚಿಸುತ್ತದೆ

ಭಾರತದ ಪರಮಾಣು ಕಾರ್ಯಕ್ರಮವು SMRಗಳನ್ನು ಒಳಗೊಂಡ ಮಲ್ಟಿ-ಸ್ಟೇಜ್ ಕಾರ್ಯತಂತ್ರದ ಅಡಿಯಲ್ಲಿ ವಿಸ್ತರಿಸುತ್ತಿದೆ. ಭೌತಶಾಸ್ತ್ರ-ಅರಿವಿರುವ AI ಸಾಧನವನ್ನು ಸಂಯೋಜಿಸುವುದು ಪರಮಾಣು ಇಂಧನ ಇಲಾಖೆಯು (Department of Atomic Energy) ಸುರಕ್ಷತಾ ವಿಶ್ಲೇಷಣೆಗಳನ್ನು ಬಲಪಡಿಸಲು ಮತ್ತು ಸ್ಥಾವರ ಆರ್ಥಿಕತೆಯನ್ನು ಸುಧಾರಿಸಲು ಸಹಾಯ ಮಾಡಬಹುದು. ಈ ಯಶಸ್ಸು ವ್ಯಾಪಕವಾದ "AI for Good" ಪ್ರಚಲಿತವನ್ನು ಎತ್ತಿ ತೋರಿಸುತ್ತದೆ, ಇದು ಭಾರತೀಯ ಸಂಶೋಧನಾ ಸಂಸ್ಥೆಗಳು ಡೀಪ್-ಟೆಕ್ ಎಂಜಿನಿಯರಿಂಗ್ ಅನ್ನು ಸುಧಾರಿತ ಮಷೀನ್ ಲರ್ನಿಂಗ್‌ನೊಂದಿಗೆ ಬೆರೆಸಲು ಪ್ರೋತ್ಸಾಹಿಸುತ್ತದೆ. ಅಂತಿಮವಾಗಿ, ಈ ಸಾಧನೆಯು ಪ್ರವಾಸಿ ಪ್ರತಿಭೆಗಳ (diaspora talent) ಸಾಮರ್ಥ್ಯ ಮತ್ತು ಸಾಂಪ್ರದಾಯಿಕ ಎಂಜಿನಿಯರಿಂಗ್ ಅನ್ನು ಡೇಟಾ ಸೈನ್ಸ್‌ನೊಂದಿಗೆ ಬೆಸೆಯುವ ಪಠ್ಯಕ್ರಮದ ಅಗತ್ಯವನ್ನು ಎತ್ತಿ ತೋರಿಸುತ್ತದೆ.

ಮುಂದೆ ಏನನ್ನು ಗಮನಿಸಬೇಕು

  • ಪೈಲಟ್ ಅಧ್ಯಯನಗಳು – ಆರಂಭಿಕ ಬಳಕೆದಾರರು ನೈಜ ಪ್ರದರ್ಶನ ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸಲು ಪರೀಕ್ಷಾ ರಿಯಾಕ್ಟರ್‌ಗಳಲ್ಲಿ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಸುರಕ್ಷತಾ ಕೋಡ್‌ಗಳ ಜೊತೆಗೆ ಈ ಮಾದರಿಯನ್ನು ನಡೆಸಬಹುದು.
  • ನಿಯಂತ್ರಕ ಪ್ರತಿಕ್ರಿಯೆ – AI-ವರ್ಧಿತ ಮುನ್ಸೂಚನೆಗಳನ್ನು ಪರವಾನಗಿ ನೀಡುವ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ಹೇಗೆ ಅಳವಡಿಸಬಹುದು ಎಂಬುದರ ಕುರಿತು ಪರಮಾಣು ಮೇಲ್ವಿಚಾರಣಾ ಸಂಸ್ಥೆಗಳು ಮಾರ್ಗದರ್ಶನವನ್ನು ನೀಡಲಿವೆ.
  • ವಾಣಿಜ್ಯ ಆಸಕ್ತಿ – ರಿಯಾಕ್ಟರ್ ನಿಯಂತ್ರಣ ವ್ಯವಸ್ಥೆಗಳ ಮಾರಾಟಗಾರರು ಈ ತಂತ್ರಜ್ಞಾನವನ್ನು ಪರವಾನಗಿ ಪಡೆಯಬಹುದು ಅಥವಾ ಸ್ಪರ್ಧಾತ್ಮಕ ಭೌತಶಾಸ್ತ್ರ-ಮಾಹಿತಿಯುಳ್ಳ ಮಾದರಿಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಬಹುದು.

ಈ ಮಾದರಿಯು ಈ ಪರೀಕ್ಷೆಗಳಲ್ಲಿ ಯಶಸ್ವಿಯಾದರೆ, ಇದು ರಿಯಾಕ್ಟರ್ ವಿನ್ಯಾಸ ಪ್ಯಾಕೇಜ್‌ಗಳ ಪ್ರಮಾಣಿತ ಘಟಕವಾಗಬಹುದು ಮತ್ತು ಮುಂದಿನ ವರ್ಷोंಗಳಲ್ಲಿ ಉದ್ಯಮವು ಸುರಕ್ಷತೆ ಮತ್ತು ಉತ್ಪಾದನೆಯನ್ನು ಹೇಗೆ ಸಮತೋಲನಗೊಳಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ರೂಪಿಸಬಹುದು.

ಸಾರಾಂಶ: ಒಬ್ಬ ಹದಿಹರೆಯದ ಹುಡುಗನ ಭೌತಶಾಸ್ತ್ರ-ಮಾರ್ಗದರ್ಶಿತ AI, ಮಷೀನ್ ಲರ್ನಿಂಗ್ ಕೇವಲ ಡೇಟಾ-ಮಾತ್ರದ ಪ್ಯಾಟರ್ನ್ ಮ್ಯಾಚಿಂಗ್‌ನಿಂದ ನಂಬಲರ್ಹ ಎಂಜಿನಿಯರಿಂಗ್ ಸಾಧನವಾಗಿ ಬದಲಾಗಬಲ್ಲದು ಎಂಬುದನ್ನು ತೋರಿಸಿಕೊಟ್ಟಿದೆ. ಉದ್ಯಮವು ಪ್ರಯೋಗಾಲಯದ ಯಶಸ್ಸು ಮತ್ತು ನಿಯಂತ್ರಕ ಅಂಗೀಕಾರದ ನಡುವಿನ ಅಂತರವನ್ನು पाटದ ಹೊರತು, ಇದು ಸುರಕ್ಷಿತ ಮತ್ತು ಹೆಚ್ಚು ದಕ್ಷ ಪರಮಾಣು ಶಕ್ತಿಗೆ ಒಂದು ನಿರ್ದಿಷ್ಟ ಹಾದಿಯನ್ನು ನೀಡುತ್ತದೆ.